Почему изысканность победит в секторе операций машинного обучения

Не существует сомнений в том, что операции машинного обучения (MLOps) – это быстро растущий сектор. Рынок предполагается достигнуть 700 миллионов долларов к 2025 году – почти в четыре раза больше, чем в 2020 году.

Тем не менее, хотя технически звучно и мощно, эти решения не принесли ожидаемой выручки, что вызвало обеспокоенность по поводу будущего роста.

Я могу понять пессимизм, окружающий это пространство, поскольку я провел первые 20 лет своей карьеры, эффективно создавая внутренние инструменты MLOps в известной инвестиционной компании. Более недавно, я инвестировал в стартапы MLOps, но они были медленны в достижении уровня выручки, который я ожидал. Основываясь на моем положительном и отрицательном опыте с MLOps, я понимаю, почему эти стартапы боролись и почему они теперь готовы к росту.

Инструменты MLOps имеют решающее значение для компаний, развертывающих модели и алгоритмы, основанные на данных. Если вы разрабатываете программное обеспечение, вам нужны инструменты, которые позволяют вам диагностировать и предвидеть проблемы с программным обеспечением, которые могут привести к потере значительной выручки из-за его отказа. То же самое верно для компаний, которые строят решения, основанные на данных. Если у вас нет адекватных инструментов MLOps для оценки моделей, мониторинга данных, отслеживания дрейфа параметров и производительности моделей, а также отслеживания прогнозируемой и фактической производительности моделей, то вам, вероятно, не следует использовать модели в задачах, критичных для производства.

Однако компании, развертывающие решения, основанные на машинном обучении, без глубоких знаний и опыта, не признают необходимость более сложных инструментов и не понимают ценность низкоуровневой технической интеграции. Они более комфортно чувствуют себя с инструментами, работающими на внешних факторах, даже если они менее эффективны, поскольку они менее навязчивы и представляют более низкую стоимость принятия и риск, если инструменты не сработают.

Напротив, компании с командами машинного обучения, обладающими более глубокими знаниями и опытом, считают, что они могут построить эти инструменты самостоятельно и не хотят принимать решения третьих сторон. Кроме того, проблемы, возникающие из-за недостатков инструментов MLOps, не всегда легко выявить или диагностировать – они появляются как неудачи моделирования или операций. В результате компании, развертывающие решения, основанные на машинном обучении, будь то технически сложные или неопытные, были медленны в принятии.

Но все начинает меняться. Компании теперь признают ценность сложных, глубоко интегрированных инструментов MLOps. Либо они испытали проблемы, возникающие из-за отсутствия этих инструментов, либо они видели, как их конкуренты страдают от их отсутствия во многих высокопрофильных неудачах, и теперь они вынуждены учиться о более сложных решениях MLOps.

Те компании MLOps, которые пережили зимний период выручки до сих пор, должны увидеть оттепель на рынке и рост продаж.

Компании, продающие поверхностные решения, начнут терять бизнес в пользу более интегрированных решений, которые труднее понять и принять, но предоставляют больше услуг по мониторингу, отладке и исправлению для своих клиентов. Разработчики программного обеспечения MLOps должны сохранять веру в то, что создание мощного программного обеспечения, которое решает проблемы более глубоким и тщательным образом, победит в долгосрочной перспективе над простыми решениями, которые дают немедленные результаты, но не решают всю ширину проблем, с которыми сталкиваются их клиенты.